违约预测的小波结构模型研究

本文针对上市公司违约预测问题,按照行业类型对我国2009年的上市企业进行分层抽样,构建了小波结构模型.小波结构模型通过应用小波变换来分解上市公司日收益序列,进而对低频序列和高频序列分别构建预测模型,再依据预测模型对未来收益进行预测,最后使用小波逆变换重构预测收益序列.通过小波结构模型可以避免时间序列模型进行收益波动预测的累加计算过程.在结合我国上市公司的实际数据对这两种模型的校验中,可以发现小波结构模型比时序结构模型在违约预测上有更好的识别力和准确度.     

一种非线性时间序列预测模型及对原油价格的预测

针对具有非线性和不稳定性的时间序列,提出一种结合小波分解、滑动平均离散差分方程和马尔可夫方法的动态预测模型.利用小波多尺度分解将原时间序列分解到不同频率通道上,然后对分解出的低频近似小波系数利用滑动平均离散差分方程预测模型进行预测,并利用马尔可夫方法对时间序列的高频细节小波系数进行预测,最后将低频和高频的预测结果进行小波重构得到时间序列的实际预测值.原油价格的时间序列是一类典型的具有非线性和不稳定性的序列,利用此模型对WTI原油(周度)价格进行实证预测分析,分别预测WTI原油价格的整体变化趋势和周度实际原油价格.研究结果表明,此模型不但可以有效地预测时间序列的整体变化趋势,能从细节上对其进行有效的刻画,而且比其他基于小波的预测模型具有更高的预测精度.可以看出国际原油价格从整体上呈现周期性上涨趋势,并且不稳定的随机波动也会一直存在.     

股市预测中的小波神经网络方法的研究

本文首先论述了股市时间序列中的明显随机性,可能是由于非线性确定性系统中混沌行为的缘故,利用混沌的确定性可以进行短期预测.混沌时间序列预测首先要重构相空间,接着充分利用小波变换时频分析的局部化特性,提出了一种改进的小波网络结构,探讨了股市预测模型问题.经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型和指数自回归的固有缺陷.     

上海股市非线性特征：一个基于R/S方法的实证分析

应用Hurst指数和R/S分析法对上海股市月、周和日收益率数据序列进行了非线性特征实证研究,从低频数据到高频数据逐层分析,分别得到它们的H-指数、相关系数、分形维数和非周期循环.进一步,对不同频度数据分别进行对比分析,结果显示上海股市具有明显的非线性特征.实证研究表明上海股市不是一个有效的市场,而是一个具有非线性特征的市场.     

短期电价预测的组合混沌方法

电力市场中,电价的变化呈现的是一种非线性的、动态开放的过程,传统的方法已很难提高其预测精度。为此,本文提出一种基于小波变换、计量经济学模型和径向基函数网络的组合混沌预测方法。首先利用小波变换将原电价序列分解、重构成概貌序列和细节序列;在此基础上,针对不同的子序列建立不同的模型,并进行预测;最后将所有子序列的预测结果求和,作为最终的预测值。对西班牙电力市场短期电价的预测表明,该方法具有很高的预测精度。     

基于小波分析的多期夏普比率及实证研究

用风险价值代替标准差作为夏普比率中投资组合风险的度量,并应用修正的VaR计算方法解决收益率序列非正态分布时的风险度量问题.进一步地将小波分析引入夏普比率,利用小波函数的尺度变化与不同的投资期限相时应,建立了基于小波分析的多期夏普比率评价模型,并以我国经济背景为依托,选择上证八只封闭式基金进行研究.结果表明,把小波分析引入夏普比率可以解决投资组合业绩的多期评价问题.     

基于小波域隐马尔可夫模型的时间序列分析-平滑、插值和预测

提出一种基于小波域隐马尔可夫模型的时间序列分析方法.首先介绍了离散小波变换;并针对小波系数进行统计建模,分别讨论了单个小波系数的混合高斯模型、不同尺度小波系数之间的隐马尔可夫树结构、模型训练及似然计算等问题;其次,提出了关于时间序列插值、平滑和预测的统一数学模型,并运用极大后验概率估计和贝叶斯原理,将小波域隐马尔可夫模型作为先验知识给出了一种分析时间序列的新方法;然后,详细推导了时间序列重建问题的Euler-Lagrange方程及对数似然的导数计算,将时间序列的插值、平滑和预测归结为一个简单线性方程的求解;最后通过期望极大化(EM)算法和共扼梯度算法进行交替迭代来计算小波域隐马尔可夫模型参数和重建时间序列.实验结果表明该方法在经济领域时间序列分析中的有效性.     

基于小波分析的股市高频互相关研究

以高频数据为对象,研究沪深股市的交叉互相关性.利用最大重复离散小波变换对沪深股市的交叉互相关性做小波分析,把互相关函数分解在不同的尺度上,以便更清晰地识别沪深股市高频收益序列的互相关性.经过尺度分解后,互相关序列的小波方差之和等于原序列的方差,原高频互相关序列高峰、厚尾的特性不再显著,并趋向于正态分布.     

基于小波包和神经网络的股票价格预测模型

股票价格是大量因素影响的综合结果,波动规律异常复杂,即使是神经网络这样强大的非线性预测工具也不堪胜任对其的准确预测。本文利用小波包理论将价格波动序列最优地分解为一系列规律较易掌握的子波动,对原始价格波动的预测也就分成神经网络对各子波动的预测。实证研究结果表明,这种小波包和神经网络相结合的股票价格预测模型预测精度明显高于小波和神经网络相结合以及直接利用价格波动预测的同类神经网络模型。     

基于L-矩的厚尾分布动态拟合研究

为了解决厚尾分布不拥有完整的中心矩集合而无法进行矩估计的问题,在金融领域引入近年来在水文领域发展较为迅速的L-矩理论.在考虑当前预期和波动性条件下,基于L-矩理论分别考察了广义帕累托分布对高频收益超额数的静态尾部拟合和动态尾部拟合,应用条件VaR以及Kupiec-LR检验对拟合的结果进行了检验.研究结果表明,L-矩理论可以很好地解决厚尾分布的矩估计问题;VaR以及Kupiec-LR检验表明,基于L-矩的广义帕累托分布较好地拟合了极端条件下的收益率尾部,可以捕获极端条件下收益率时间序列动态特征.     

双长记忆GARCH族模型的预测能力比较研究——基于沪深股市数据的实证分析

GARCH族模型在金融风险的度量中有着广泛的应用。在考虑股市收益率和波动率序列双长记忆性的基础上,基于上证综合指数和深圳成份指数的日收盘价序列,从证券投资风险量化的角度,引入受险值VaR和相对正确符号指标PCS作为模型预测误差衡量指标,比较分析了双长记忆GARCH族模型在不同分布假设情况下的的拟合与预测精度。结果显示:偏t分布能较好描述沪深股市的厚尾特征;在较小的VaR水平下ARFIMA(2,d₁,0)-FIAPARCH(1,d₂,1)-skt模型对股市波动风险具有较强的预测能力,而ARFIMA(2,d₁,0)-HYGARCH(1,d₂,1)-skt对股市的涨跌趋势具有较强的预测能力。     

动态金融高阶矩建模:基于Generalized-t分布和Gram-Charlier展开分布的比较研究

动态时变高阶矩是金融收益率的一个重要特征。本文对比研究了主流的Generalized-t分布(GT)和Gram Charlier Expansion分布(GCE)在GJRGARCH模型下对动态高阶矩的拟合能力和Value-at-Risk的预测能力。基于2005-2014美国标普500股指和中国沪深300股指日收益率的实证结果显示,收益率的条件高阶矩存在显著的时变性和持续性,其中偏度参数的持续性参数达到0.9以上。从各种统计指标综合来看,这两种方法都具有较好的实证表现。尽管GCE分布具有某些高阶矩建模的便利性,GT分布的实证拟合能力更强,对极端概率Value-at-Risk的样本外预测也更加准确。     

基于小波分析的石油价格长期趋势预测方法及其实证研究

本文将小波方法引入到油价长期趋势的预测中,利用小波多尺度分析的功能,提出了一种可以较为准确地根据油价时序列预测其未来长期走势的方法。这种方法的优点在于可以准确地提取油价的长期趋势,从总体上把握油价的非线性波动特征,从而能够很好地利用油价时间序列的历史数据,开展对未来一段时期内的多步预测。实证研究中,对Brent油价开展了时间跨度为1年的趋势预测,并将预测结果与ARIMA、GARCH、Holtwinters等方法得到的结果进行了比较,表明了基于小波分析的长期趋势预测法的预测能力是其他方法所不能比拟的,反映了本文所建立的石油价格长期趋势预测方法的有效性。     

基于近邻互信息的SVM-GARCH股票价格预测模型研究

为了克服传统线性模型分析处理收益率数据非线性因素的不足,本文提出一种新的基于近邻互信息特征选择的SVM-GARCH预测模型。该模型利用SVM处理高维非线性数据的优势,不仅包含了股指序列自身的历史数据信息,而且通过近邻互信息的方式融合了与目标股指数据关系密切的周边证券市场的相关变化信息。仿真实验结果表明,该模型在时序数据除噪、趋势判别以及预测的精确度等方面均优于传统的ARMA-GARCH模型。     

基于LSTM神经网络的金融时间序列预测

本文提出将小波分析与纳入时间序列依赖特征的长短期记忆（LSTM）神经网络相结合，构建金融时间序列数据预测模型，以克服现有模型对金融时间序列数据非平稳、非线性、序列相关等复杂特征以及数据间非线性交互关系无法反映的缺陷。同时，以道琼斯工业指数日收盘价为例，探究LSTM神经网络对实际金融时间序列数据的预测能力，比较其与多层感知机、支持向量机、K近邻、GARCH四种模型的预测效果。实证结果表明LSTM神经网络具有更高的预测精度，能够有效预测金融时间序列数据的长短期动态变化趋势，说明了其对金融时间序列数据预测的适用性与有效性。此外，对金融时间序列数据进行小波分解与重构，可有效提高LSTM预测模型的泛化能力，以及对长短期动态趋势的预测精度。     

中国进出口贸易市场的混沌特性分析

对于经济管理系统混沌的检验,主要体现在证券、期货和外汇市场,由于其他经济领域序列数据的匮乏,传统混沌分析方法的应用受到了限制。本文采用最新的基于小数据样本的临近返回检验,研究中国进出口贸易1989年1月到2003年5月的月度数据序列,发现了混沌的拓扑特征;进一步应用小数据量方法计算最大Lyapunov指数,数值结果同样证实中国进出口贸易市场存在低维混沌,从而佐证了国际贸易市场混沌的存在;实证结果为国际贸易系统模型的建立和预测提供了新的理论依据。     

基于相空间重构的同业拆借利率混沌特性研究

同业拆借利率在整个金融市场的利率结构中具有导向作用,因此对同业拆借利率波动的研究具有重要意义.本文基于相空间重构技术对我国银行间同业拆借利率进行了实证研究,通过关联维数和Kolmogorov熵这两个指数来研究我国银行间同业拆借利率的混沌特征.计算结果表明,银行间同业拆借利率具有混沌特性,这使得对同业拆借利率的长期预测成为不可能.     

考虑微观结构噪声与测量误差的波动率预测

以测量误差的分布理论为基础，本文将微观结构噪声的影响引入到测量误差的方差中，构建了包含微观结构噪声影响的HARQ-N模型。使用蒙特卡洛模拟与中国股市的高频数据对HAR、HARQ、HARQ-N模型与HAR-RV-N-CJ模型的估计和预测进行了比较，研究发现，HARQ模型和HARQ-N模型的测量误差修正项对波动率的影响系数统计显著为负，HARQ-N模型的测量误差项影响系数远大于HARQ模型，更大程度地减弱当期微观结构噪声和测量误差的影响。并且，考虑微观结构噪声和测量误差的HARQ-N模型样本内和样本外预测效果在统计上显著优于HAR模型、HARQ模型与HAR-RV-N-CJ模型。